Mi a weboldal-personalizáció? B2B típusok és példák

Minden B2B weboldalnak ugyanaz a szerkezeti problémája. Egyetlen kezdőoldal, egyetlen termékoldal-készlet, egyetlen árazási elrendezés szolgál ki egy olyan vásárlói kört, amely több iparágat, cégméretet, szerepkört és vásárlási készültségi szintet ölel fel. Az eredmény egy olyan átlagos látogatóra optimalizált weboldal, aki nem is létezik. A weboldal-személyre szabás ezt úgy oldja meg, hogy a látogatóknak más-más tartalmat mutat aszerint, hogy kik ők, melyik cégnél dolgoznak, és mit csináltak korábban az oldaladon.

Hogy megtérül-e az oldaladon, azt mérni kell, nem feltételezni. A publikált növekedési adatok olyan szállítóktól és tanácsadóktól származnak, akik a saját ügyfeleiket mérik, és nagyon eltérőek. A hasznos szám az a növekedés, amelyet a saját szegmenseidnél látsz egy kontrollcsoporthoz (holdout) képest, és ez az útmutató elmagyarázza, hogyan kapod meg. Bemutatja, mi a weboldal-személyre szabás, hogyan működik a háttérben, melyek a fő B2B típusai, mely oldalelemeket érdemes módosítani, hogyan válaszd ki az első felhasználási esetet, egy kéthetes első bevezetést, az adatvédelmet, és azt, hogyan mérd az eredményt.

Mi a weboldal-személyre szabás (és mi nem)

A weboldal-perszonalizáció (angolul website personalization vagy website personalisation, röviden web personalization) az a gyakorlat, amikor a látogatóról rendelkezésre álló adatok alapján dinamikusan módosítod, mit lát a weboldaladon. Az adatok származhatnak firmografikus forrásokból (cégnév, iparág, méret), viselkedési forrásokból (meglátogatott oldalak, letöltött tartalmak, oldalon töltött idő), kontextuális forrásokból (földrajzi hely, eszköztípus, hivatkozó forrás) vagy CRM-adatokból (értékesítési szakasz, fiókszint, korábbi interakciók).

A változtatások a kicsitől (egy főcím vagy CTA-gomb cseréje) a nagyig (teljesen más oldalelrendezés más esettanulmányokkal, üzenetekkel és képekkel) terjedhetnek. A meghatározó jellemző, hogy nem a látogató választja a változatot. A rendszer választja ki a rendelkezésre álló adatok alapján.

Ez különbözteti meg a személyre szabást a testreszabástól. A Nielsen Norman Group világosan meghatározza a különbséget: a személyre szabás rendszervezérelt (az oldal automatikusan alkalmazkodik), míg a testreszabás felhasználóvezérelt (a látogató kézzel választ, például beállításokat ad meg). Mindkettő javíthatja az élményt. A személyre szabás a látogató semmilyen közreműködése nélkül működik, ami B2B-ben kulcsfontosságú, hiszen a legtöbb látogató soha nem hoz létre fiókot és nem jelentkezik be.

A weboldal-perszonalizáció az e-mail-perszonalizációtól is különbözik. Az e-mail-perszonalizáció az adatbázisodban lévő ismert kapcsolattartókkal működik. A weboldal-perszonalizáció anonim látogatókkal is működik, akik sosem töltöttek ki űrlapot, és a legtöbb B2B oldalon ők teszik ki a forgalom nagy többségét (vesd össze az űrlapbeküldéseidet a munkameneteiddel, hogy lásd a saját arányodat). Ha csak az ismert kapcsolattartóknak perszonalizálsz, az oldaladon lévők csak kis szeletét éred el.

Két további dolgot is gyakran összekevernek a perszonalizációval, és ez a zavar rossz projekthatókörhöz vezet:

A gyakorlati következmény: a perszonalizáció szegmenseken belül futtatott A/B tesztek összessége. Az A/B tesztelés azt kérdezi: „melyik változat a legjobb átlagosan?”; a perszonalizáció elfogadja, hogy az A változat nyerhet a nagyvállalati látogatóknál, a B pedig a középvállalatiaknál, és szegmensenként egy-egy teszttel bizonyítja ezt. Ha nem tudod megmondani, melyik szegmensnek szól egy változat, és honnan tudnád, hogy az adott szegmensben jobb volt-e az alapértelmezettnél, akkor csak dinamikus tartalmat csinálsz, néhány plusz lépéssel.

A személyre szabás nem is keresztnév-tokeneket jelent. Az „Üdv újra, Sarah” semmit sem változtat a vásárlási döntésen. A B2B-ben a relevancián múló változtatások számítanak: a bizonyíték, a probléma keretezése és a következő lépés.

Hogyan működik a B2B weboldal-perszonalizáció

A motorháztető alatt három rész van: egy adatréteg, amely kideríti, ki látogat, egy szabálymotor, amely eldönti, melyik változatot kapja, és egy megjelenítési módszer, amely a képernyőre teszi a változatot. Ha tudod, hol hibázhat az egyes rész, sokkal könnyebb megítélni az eszközöket, és elkerülni, hogy egy negyedévet olyan szegmensekre költs, amelyeknek soha senki sem felel meg.

Az adatréteg: négy bemenet

Minden személyre szabási szabályt négyféle input egyike indít el. Lefedettségükben, pontosságukban és jogi súlyukban különböznek, és sok program azért akad el, mert olyan felhasználási esetet választ, amelyhez nincs megbízhatóan rendelkezésre álló inputja.

Az IP-cím céghez rendelése a szokásos első lépés a névtelen forgalomnál. Minden oldalkérés tartalmaz egy IP-címet, és egy látogatóazonosító szolgáltatás a vállalati IP-tartományok nyilvántartásai, internetszolgáltatói adatok és saját megfigyelt egyezései alapján egy szervezethez rendeli. Nem kell hozzá cookie, űrlap vagy korábbi látogatás. Hogy mennyire működik jól, attól függ, hogyan csatlakoznak a vásárlóid: valakit, aki saját regisztrált tartománnyal rendelkező vállalati hálózaton van, könnyű azonosítani, aki viszont otthonról lakossági szélessávon vagy mobilhálózaton dolgozik, általában az internetszolgáltatóhoz rendelődik, nem a munkáltatójához. A szállítók egyezési arányait a saját ügyfélkörükön mérik, ezért futtasd az eszközt két hétig a saját forgalmadon, és nézd meg, a munkamenetek hány százaléka köthető valódi céghez, az ICP-szegmenseid szerint bontva.

Az adatgazdagítás a cégnévből olyasmit csinál, amivel dolgozni lehet: iparág, alkalmazotti létszám, árbevétel-kategória, székhely szerinti ország, néha a technológiai stack. A Clearbit (ma már a HubSpot része), a ZoomInfo, az Apollo és a 6sense mind ilyen adatot árul. Az olyan tág jellemzők, mint az iparág és a méretkategória, általában a legmegbízhatóbbak; a részletes technográfiai adatok a legkevésbé, mert gyakran álláshirdetésekből vagy weboldal-szkriptekből következtetik ki őket. Az első szabályaidat a durvább jellemzőkre építsd, és mielőtt megbíznál egy mezőben, ellenőrizz húsz-harminc gazdagított rekordot olyan cégekkel szemben, amelyeket ismersz.

A viselkedési jelekhez előzmények kellenek. Egy első látogatás csak egy hivatkozó forrást és egy oldalt ad, semmi többet, ezért a viselkedési szabályok a visszatérő látogatóknál működnek a legjobban, és ezért kombinálja őket a legtöbb beállítás cégjellemzőkkel (lásd: viselkedési szegmentáció). A CRM-adatok csak azokat a látogatókat fedik le, akiket a marketingautomatizációs sütid már egy kapcsolattartóhoz vagy fiókhoz köt – de ebbe a csoportba tartozik az aktív pipeline-od és az ügyfeleid, pontosan azok, akiknek a legkevésbé szeretnél általános „foglalj demót” oldalt mutatni. A CRM-integrációs útmutató a mezőleképezéssel foglalkozik.

Két szabály következik ebből. Kezdd a viselkedési és kampánykontextussal: ez fedi le a legtöbb munkamenetet, nem kell hozzá harmadik féltől származó adat, és jogilag a legkönnyebb indokolni. Annak a látogatónak, aki a „SOC 2 automation” hirdetésedből érkezett, SOC 2 bizonyítékot kell látnia, akár ismered a cégét, akár nem. És soha ne hanyagold el az alapértelmezett oldalt: ha az azonosítás a munkameneteidnek csak egy részét oldja fel, a többiek az alapértelmezettet látják, így az marad a legfontosabb oldalverziód.

A szabálymotor: látogatók élményekhez rendelése

A szabálymotor fogja azt, amit az adatréteg tud, és kiválaszt egy változatot. Fogalmilag ez ha-akkor állítások listája, amelyeket fontossági sorrendben ellenőriz:

HA a cégméret 500 fő fölött van, ÉS az iparág pénzügyi szolgáltatások, ÉS a látogató megnézte az árazási oldalt, AKKOR mutasd a pénzügyi szolgáltatási herót, a banki esettanulmányt és a „Beszélj a pénzügyi szolgáltatási csapatunkkal” CTA-t.

Ha egy látogató több szabálynak is megfelel, a legmagasabb prioritású nyer. Akik egyiknek sem felelnek meg, az alapértelmezett oldalt kapják, csakúgy, mint a hozzájárulást elutasító látogatók és a keresőrobotok. Az ilyen szabályalapú motorok a legtöbb B2B megvalósításhoz elegendők; a látogatónként a legjobb változatot előrejelző gépi tanulási motorok tanításához sokkal több forgalom kell, mint amennyi a legtöbb B2B oldalnak van.

Tartsd egyszerűen a szabályokat. A „Mutass gyártóipari tartalmat a gyártócégeknek” egy délután alatt élesíthető, és heteken belül elég forgalmat kap ahhoz, hogy értékelni lehessen. A „Mutass egy konkrét herót a 200–500 fős, B sorozatú befektetést kapott fintecheknek, akik kétszer meglátogatták az árazást” havonta talán néhány munkamenetre illik, így sosem tudod meg, működik-e. Minden szabály karbantartást is jelent: tíz szabály a kezdőlapon tíz frissítendő változatot jelent, ha a pozicionálás változik, és tíz tesztelendő kombinációt. Szegmensekkel kezdj (nagyvállalati pénzügyi szolgáltatások, középvállalati SaaS), ne egyedi fiókokkal; a fiókszintű oldalaknak csak egy olyan rövid ABM-listánál van értelme, ahol az üzletméret indokolja a fiókonkénti tartalmat.

Megjelenítés: kliensoldalon, szerveroldalon vagy az edge-en

Az, hogy a változat hogyan jut el a böngészőbe, befolyásolja a sebességet, a villódzást, a SEO-t és azt, mennyi fejlesztési munka kell.

Kliensoldali tag esetén a villódzás szokásos megoldása az előzetes elrejtés: egy kis inline CSS-szabály csak a személyre szabott elemeket rejti el, amíg a szkript el nem végezte a módosításokat, egy időtúllépéssel, hogy az alapértelmezett tartalom megjelenjen, ha a szkript lassú vagy blokkolva van. Egy üres hero rosszabb egy általánosnál. Véleményünk: a legtöbb marketingcsapatnak kliensoldalon, előzetes elrejtéssel érdemes kezdenie, bizonyítania, hogy a személyre szabás elmozdít egy mutatót, és csak ezután fejlesztői időt fordítani szerveroldali vagy edge-megjelenítésre. Bármelyiket használod, mérd a Largest Contentful Paint értéket személyre szabással és anélkül; a változat ne érkezzen érezhetően később, mint az alapértelmezett érkezne.

Nézd meg, hogyan használja a valós idejű személyre szabás ezt a folyamatot már az első oldalmegtekintéskor, és hasonlítsd össze a weboldal-személyre szabási eszközöket aszerint, hogyan kezelik az egyes rétegeket. Az MI-alapú személyre szabás főként a változatok megírásának költségét csökkenti, és segít választani közöttük, ha már sok szegmensed van; egy első programhoz a szabályok is elegendők. A mesterséges intelligencia a leadgenerálásban című cikkünk a B2B oldalt mutatja be.

A weboldal-perszonalizáció típusai B2B-ben

A B2B személyre szabás fontos szempontokból különbözik a B2C-től. A B2C személyre szabás az egyéni fogyasztói viselkedésre épül: mit böngésztél, mit vettél, mit tettél a kosaradba. A B2B személyre szabás cégszintű jellemzőkre és a beszerzési bizottság dinamikájára épül. A látogató egy azon cégtől érkező több ember közül, akik téged értékelnek (a CTO-t az integrációk és a biztonság érdekli, a marketingvezetőt az eredmények és a könnyű használat, a beszerzést a feltételek), az értékesítési ciklusok hetekig vagy hónapokig tartanak, a forgalmat pedig ezrekben, nem milliókban mérik, ezért a szegmenseknek elég durvának kell lenniük ahhoz, hogy adat gyűljön.

Cégjellemző-alapú személyre szabás

A B2B leggyakoribb típusa. A firmográfiai perszonalizáció cégszintű adatokat (iparág, méret, árbevétel, helyszín) használ a weboldal igazításához. Egy egészségügyi cég látogatója egészségügyi esettanulmányokat, megfelelőségre fókuszáló üzeneteket és az egészségügy szempontjából releváns funkciókat bemutató képernyőképeket lát. Egy technológiai cég látogatója integrációkra fókuszáló üzeneteket, fejlesztői dokumentációra mutató linkeket és SaaS-esettanulmányokat lát. Az iparági perszonalizációról és a cégméret szerinti perszonalizációról szóló útmutatóink mélyebben tárgyalják.

A firmográfiai személyre szabás már az első oldalbetöltéskor működik, mert az adatok az IP-feloldásból elérhetők, mielőtt a látogató bármihez hozzányúlna. Ezért ez a természetes kiindulópont azoknak a csapatoknak, amelyek először vezetik be a személyre szabást.

Viselkedésalapú személyre szabás

A viselkedési perszonalizáció aszerint igazítja az élményt, amit a látogató az oldaladon tett, mind az aktuális munkamenetben, mind a korábbi látogatásokon. Az a látogató, aki három blogbejegyzést olvasott az analitikáról, analitikához kapcsolódó tartalmakat lát kiemelve a főoldalon. Az a látogató, aki az elmúlt héten kétszer nézte meg az árazási oldalt, egy általános „További információ” gomb helyett árazási konzultációt kínáló CTA-t lát.

A viselkedési perszonalizációhoz fel kell halmozódnia a követési adatoknak, így több látogatás alatt javul. Az első látogatáskor a firmográfiai perszonalizáció végzi a munkát. A későbbi látogatásoknál a viselkedési adatok növelik a pontosságot.

ABM-vezérelt perszonalizáció

Az account-based marketing programokat futtató cégeknél a personalizáció közvetlenül az accountlistához és az account tierhez köthető. A Tier 1 célaccountok teljesen testreszabott élményt kapnak: névre szóló üzenetet, releváns esettanulmányokat és egy CTA-t, amellyel időpontot foglalhatnak a hozzájuk rendelt account executive-vel. A Tier 2 accountok iparágra szabott üzenetet látnak, önkiszolgáló demóval. A nem célaccountok az alapértelmezett élményt kapják. Az ABM weboldal-personalizációs playbook tierenként mutatja be a lépéseket.

Hivatkozó forrás alapú personalizáció

Az oldal hozzáigazítása ahhoz, honnan érkezett a látogató. Az account-based marketingről szóló LinkedIn-hirdetésről érkező látogató ABM-központú üzenetet lát a landing page-en. A „B2B analitika” organikus keresésből érkező látogató analitikai üzenetet lát. Egy adott funkcióról szóló e-mail-kampányból érkező látogató azt a funkciót látja kiemelve. Ez folytonosságot teremt a látogatót odavonzó tartalom és az őt fogadó weboldal-élmény között. Ez a weboldalas megfelelője a személyre szabási tokeneknek az e-mail-kampányokban.

Fázisalapú személyre szabás

Az élmény igazítása ahhoz, hol tart a látogató a vásárlási folyamatban. Az első látogatók oktató tartalmat és a tölcsér tetejére szánt CTA-kat látnak. A termékes tartalmakat már fogyasztó visszatérő látogatók összehasonlító útmutatókat és demó CTA-kat. Az aktív sales tárgyalásban lévő accountok látogatói az üzletet támogató tartalmat látnak: ROI kalkulátorokat, bevezetési útmutatókat, biztonsági dokumentációt. Lásd: személyre szabás a vásárlói út szakasza szerint.

Mit perszonalizálj: nagy hatású elemek

Nem kell az oldal minden elemének szegmensenként változnia. A legnagyobb hatású, személyre szabandó elemek azok, amelyeket a látogatók elsőként érzékelnek, és amelyek konverziós műveletekhez vezetnek.

Hero címsor és alcím. Ez az első szöveg, amit a látogató elolvas. Ha egy általános értékajánlatról iparág- vagy problémaspecifikus üzenetre váltasz, azonnali relevanciajelzést adsz. A „Szabd személyre a weboldaladat minden látogatónak” általános. A „Mutasd meg minden gyártóipari vevőnek a számára szükséges termékeket” közvetlenül a gyártóipari látogatóhoz szól. A kezdőlap-személyre szabási útmutatóban további példákat találsz szegmensenként.

Hero kép. A képet gyakran a címsor elolvasása előtt látják. Egy iparágilag releváns kép (gyártócsarnok, kereskedési pult, kórházi irányítópult) már azelőtt jelzi a relevanciát, hogy a látogató elolvasná a címsort. A témáról bővebben a landing page képekről és grafikákról szóló útmutatóban olvashatsz.

Esettanulmányok és társadalmi bizonyíték. Az iparághoz illő esettanulmányok meggyőzőbbek az általánosaknál. Ha egy SaaS-látogató egy másik SaaS-cég esettanulmányát látja, az erősebb „hozzánk hasonlók is ezt használják” jelzés, mint vegyes iparágú logók forgó karusszele. Ha egy vertikumhoz nincs esettanulmány, az tartalomhiány, amelyet a perszonalizálás előtt pótolni kell.

CTA-k. Ha a CTA-t a látogató készültségi szintjéhez igazítod, csökken a súrlódás. Az első alkalommal érkezők a „Nézd meg, hogyan működik” gombot kapják. A visszatérők a „Demó foglalása” gombot. Az értékesítési tárgyalásban lévő fiókok látogatói a „Beszélj a fiókcsapatoddal” gombot. A perszonalizált CTA-król szóló cikkünk bemutatja, hogyan teszteld ezeket.

Navigáció és tartalomajánlások. Ha a látogató iparága vagy viselkedési előzményei alapján különböző anyagokat, termékoldalakat vagy blogcikkeket emelsz ki, gyorsabban megtalálja a releváns tartalmat. A teljes navigáció maradjon elérhető: a személyre szabás átrendezzen, ne rejtsen el.

Árazási oldalak. Óvatosan kezeld őket. A cég méretéhez illő csomag kiemelése, vagy egy méretküszöb felett az önkiszolgáló regisztráció „Contact sales”-re cserélése ésszerű. Más-más árak mutatása különböző cégeknek viszont egészen más kérdés, és általában kiderül, amikor két vevő összeveti a tapasztalatait. Lásd: árazási oldal személyre szabása.

Példa arra, mit változtat meg egy variáns egy szemléltető biztonsági szoftvercégnél és egy egészségügyi szegmensnél:

Ne változtass meg mindent egyszerre: egy változatból, amely a főcímet, a bizonyítékot, a CTA-t és az elrendezést is lecseréli, nem derül ki, melyik változtatás számított.

Az első felhasználási eset kiválasztása

A csapatok gyakran névre szóló account-kezdőlapokkal szeretnének kezdeni. Ez általában rossz első teszt. Egy jó első felhasználási esetnek elég forgalma van a méréshez, egyértelmű konverziós eseménye, és olyan tartalmi különbsége, amelyet ténylegesen el tudsz készíteni. Egy webdesign ügynökség például a nagyvállalati látogatóknak a platformos munkáit, a kisebb cégeknek pedig a kisvállalkozásoknak szóló webdesign szolgáltatásait mutathatja. A jelöltek rangsorolásának egyik módja, hogy mindegyiket 1-től 5-ig pontozod az elérés (a feltételeknek megfelelő munkamenetek aránya), az érték (mennyire van közel az oldal egy bevételi eseményhez), a megbízhatóság (sales hívásokból, nyert-vesztett adatokból vagy support ticketekből származó bizonyíték arra, hogy a szegmensnek valami más kell) és a ráfordítás szerint, majd a (Elérés x Érték x Megbízhatóság) / Ráfordítás alapján rangsorolsz.

Szemléltető pontszámok egy hipotetikus, közép- és nagyvállalatoknak értékesítő biztonsági szoftvercégre:

A rangsor a hasznos rész, nem az abszolút pontszám. Itt a két kontextuális forgatókönyv nyer, a megnevezett fiókoknak szóló kezdőoldal pedig az utolsó, mert szinte senkit sem ér el, és ez kerül a legtöbbe. Ugyanebből a logikából egy durva érettségi sorrend is következik: először kontextuális (kampány, hivatkozó, új vs. visszatérő), aztán firmográfiai szegmensek, amint él az azonosítás, és lefutott egy tiszta kontrollcsoportos teszt, aztán CRM-vezérelt fiókélmények, amint az értékesítés megállapodott a szintekben és a felelősökben, és csak ezután a web, a hirdetések, az e-mail és az értékesítés összehangolása.

Szegmensek, amelyek megállják a helyüket

Egy szegmens csak akkor ér meg egy változatot, ha a benne lévők mérhetően mást akarnak, megbízhatóan felismerheted őket, és elegen vannak ahhoz, hogy tanulni lehessen belőlük. Mielőtt bármit építenél, mindegyiket írd le egysoros definícióként:

1. A vásárlási döntés egy különbségéből indulj ki, ne egy adatmezőből. Az „egészségügy” adatmező. „Azok a vásárlók, akik bármilyen demó előtt rákérdeznek a HIPAA-ra és a BAA-ra”: ez vásárlási különbség.
2. Ugyanazon az elemen a szegmensek zárják ki egymást. Ha egy látogató egyszerre lehet „Enterprise” és „Healthcare”, előre döntsd el, melyik szabály irányítja a hero szekciót.
3. Az elején válassz durva szegmenseket. Három iparág plusz „mindenki más” jobb, mint tizenkét iparág, amelyből kilenc hetente csak néhány látogatást kap.
4. Határozd meg a tartalékot hiányos adatok esetére. Ismert az iparág, ismeretlen a méret: mi jelenjen meg?
5. Szövegírás előtt ellenőrizd a volument. Számold meg, az elmúlt 90 nap hány munkamenete felelt volna meg. Ha ez egy negyedéven belül nem éri el a lenti mérési részben szereplő mintanagyságot, vond össze a szegmenst egy szomszédos szegmenssel.

A B2B weboldal-szegmentálási stratégia útmutató bemutatja, hogyan rendeld a szegmenseket az ICP-dhez.

Megvalósítás: lépésről lépésre

A weboldal-perszonalizáció bevezetéséhez nem kell többhónapos projekt. Íme egy gyakorlati munkafolyamat, amellyel két héten belül élesíthetsz egy első perszonalizált élményt.

1. hét: alapok

1. lépés: válassz ki egy oldalt és két szegmenst. A kezdőoldalad vagy az elsődleges landing page-ed a legjobb kiindulópont. Válassz két olyan szegmenst, amelyek különálló közönséget képviselnek, és elég forgalmuk van a méréshez. Példa: „Nagyvállalatok (500+ alkalmazott)” és „Közepes vállalatok (50–499 alkalmazott)”.

2. lépés: határozd meg a tartalmi változtatásokat. Minden szegmenshez írd meg a változat címsorát, válaszd ki a kiemelendő esettanulmányt, és határozd meg a CTA-t. Az oldal szerkezete maradjon ugyanaz. Csak a meghatározott helyeken belüli tartalom változik. Minden változat szövegét írd meg, mielőtt a technológiához nyúlnál.

3. lépés: állítsd be a látogatóazonosítást. Kapcsolj be egy látogatóazonosító adatforrást, amely az IP-címeket céges adatokhoz rendeli. Ellenőrizd a pontosságot ismert cégekkel tesztelve. Győződj meg róla, hogy az adatok tartalmazzák a szegmentáláshoz szükséges attribútumokat (iparág, cégméret).

2. hét: indítás és mérés

4. lépés: Állítsd be a szegmentálási szabályokat és a tartalomhozzárendelést. A személyre szabási platformon hozd létre a szegmenseket, és rendeld mindegyikhez a saját tartalomváltozatát. Állíts be alapértelmezett élményt azoknak a látogatóknak, akik egyik szegmensbe sem illenek. Nézd meg előnézetben minden változatot asztali gépen és mobilon, és ellenőrizd az elutasított hozzájárulás útvonalát is.

5. lépés: indíts visszatartott csoporttal. Ne szabd személyre azonnal az összes megfelelő forgalmat. Minden szegmens egy részét tartsd vissza kontrollcsoportként, amely az alapértelmezett élményt látja; a méretét egy A/B teszt mintaméret számítással határozd meg, hogy a teszt a te forgalmadon ténylegesen eredményre juthasson.

6. lépés: mérj, amíg el nem éred a tervezett mintát, és legalább két teljes hétig. Kövesd a konverziós arányt (űrlapbeküldések, demókérések), az elköteleződési mutatókat (oldalon töltött idő, munkamenetenkénti oldalszám, görgetési mélység) és a visszafordulási arányt minden személyre szabott szegmensnél a kontrollcsoportjához képest. Ha a személyre szabott változat jobban teljesít, igazoltad a megközelítést, és bővíthetsz.

Ha az eredmények laposak, a szokásos okok: a szegmensek nem különböznek eléggé, a változatok túl közel állnak az alapértelmezetthez, vagy túl kevés a forgalom a szegmensben. Mielőtt további oldalakat adnál hozzá, javítsd ezek egyikét. Ha készen állsz arra, hogy az első teszteken túl tervezz, a perszonalizációs playbook sablon struktúrát ad a szegmensekhez, szabályokhoz, felelősökhöz és áttekintési dátumokhoz.

Mire számíthatsz reálisan

Légy szkeptikus a látványos növekedési számokkal szemben. A legtöbb publikált adat szoftvergyártóktól vagy tanácsadó cégektől származik, akik a saját ügyfeleikről beszélnek, eltérően definiálják a „konverziót”, és nem vetik össze az eredményt kontrollcsoporttal. Ezek azt mutatják meg, hogy a személyre szabás működhet, azt nem, hogy a te oldaladon mit fog hozni.

Amire következtetni lehet: a személyre szabás a már meglévő forgalmad konverziós rátáját változtatja meg, így az értéke azzal skálázódik, mennyi minősített forgalom éri el a személyre szabott oldalakat, és mekkora a különbség aközött, amit az alapértelmezett oldal mond, és amire az egyes szegmenseknek szüksége van. Egy oldal, amely egy terméket egyféle vevőnek árul, keveset nyerhet; egy oldal, amely egyetlen kezdőlapról szolgál ki több iparágat és cégméretet, többet. Mielőtt belekezdesz, végezd el a számítást a saját számaiddal. Példa: ha a kezdőlap forgalmának 30%-a egy iparágból jön, és egy iparágspecifikus oldal ennek a szegmensnek a demórátáját 2%-ról 2,5%-ra emelné, a kezdőlap összes demókérése körülbelül 7,5%-kal nőne. Hogy ténylegesen eléred-e ezt a javulást, arra a kontrollcsoportos teszt ad választ.

A személyre szabáshoz nem kell többet költeni a látogatások növelésére; azokon dolgozik, akik már eljönnek. A HubSpot flywheelben a weboldal-személyre szabás az elköteleződési fázis egyik hajtóereje. A személyre szabás ROI-jának méréséről szóló útmutatónk egy teszteredményből üzleti indoklást készít.

A személyre szabás sikerének mérése

Az előtte–utána összehasonlítások a személyre szabásnál szinte használhatatlanok: a szezonalitás, a kampányváltozások és az értékesítési aktivitás jobban mozgatják a konverziós arányokat, mint a legtöbb változat. Az elsődleges mutató a szegmensenkénti konverziós arány egy kontrollcsoporttal összevetve: a megfelelő szegmens véletlenszerű része, amely ugyanabban az időszakban továbbra is az alapértelmezett változatot látja.

Mekkora legyen a kontrollcsoport?

Tegyük fel, hogy egy szegmens az alapértelmezett oldalon 2,0%-on konvertál, és 20%-os relatív javulást (2,4%-ra) szeretnél kimutatni a szokásos 95%-os megbízhatósággal és 80%-os erővel. A standard kétmintás arányképlet ezt adja:

n csoportonként = (1,96 + 0,84)² x (0,02 x 0,98 + 0,024 x 0,976) / (0,004)² = 7,84 x 0,0430 / 0,000016, azaz nagyjából 21 100 látogató csoportonként.

Ez 50/50-es felosztás mellett körülbelül 42 000 releváns látogató. 90/10-es felosztásnál a kontrollcsoportnak körülbelül 11 700, a perszonalizált csoportnak körülbelül 105 500 látogató kell, összesen nagyjából 117 000, vagyis majdnem háromszor annyi forgalom (k = 9 elosztási arány esetén a kisebb csoportnak n x (1 + 1/k) / 2 látogató kell). Ezért a változatot 50/50-es felosztással bizonyítsd, és utána csak egy kis állandó kontrollcsoportot (5–10%) tarts meg annak ellenőrzésére, hogy a javulás megmarad-e. Ha egy szegmens egy negyedév alatt nem tudja elérni a mintát, vond össze az azonos változatszerkezetű szegmenseket, mérj egy nagyobb volumenű lépést (CTA-kattintás a lefoglalt demó helyett), vagy kezeld az eredményt irányadóként, és ezt mondd is ki. Számold ki a saját számaidat az A/B teszt kalkulátorban.

Szegmensenként mérj, soha ne csak összesítve: egy pozitív átlag elfedhet egy olyan változatot, amely egy szegmensnél veszít. Kiegészítő mutatók:

Aktivitás mélysége. Munkamenetenkénti oldalszám, oldalon töltött idő és görgetési mélység a személyre szabott és a nem személyre szabott látogatóknál.

Visszafordulási arány szegmensenként. A perszonalizációnak csökkentenie kell a célzott szegmensek visszafordulási arányát, mert az érkezési élmény illeszkedik a látogató kontextusához. Szegmensenként kövesd, ne csak az egész oldalra.

Pipeline-sebesség. A célfiókokból érkező látogatóknál kövesd nyomon, milyen gyorsan haladnak végig az értékesítési pipeline-on, a kontrollcsoportként visszatartott célfiókokhoz képest.

Tartalomfelfedezés. A személyre szabott élményt kapó látogatók több termék- vagy erőforrásoldalt néznek meg, mint a többiek?

Látogatónkénti bevétel. A végső mutató. Kövesd, hogyan hat a perszonalizáció az egy látogatóra jutó átlagos bevételre, közönségenként szegmentálva.

Adatvédelem, megfelelés és a személyre szabás határai

A B2B weboldal-személyre szabás többnyire cégszintű jellemzők (iparág, méret, fiókstátusz) alapján működik, nem aszerint, hogy ki az egyén. Ha egy oldalt úgy alakítasz, hogy egy gyártócégtől érkező látogatónak gyártóipari tartalmat mutasson, az más, mint egy személy böngészésének követése több oldalon át. Ettől még nem kerül ki az adatvédelmi jog hatálya alól. Ez gyakorlati térkép, nem jogi tanácsadás:

• Az IP-címek személyes adatnak minősülhetnek. A GDPR (30) preambulumbekezdése online azonosítóként nevezi meg az IP-címeket, az Európai Unió Bírósága pedig a Breyer-ügyben (EUB sajtóközlemény, 2016) kimondta, hogy a dinamikus IP-cím személyes adat lehet egy weboldal üzemeltetője számára. A „csak cégeket azonosítunk” csökkenti a kockázatot, de nem visz ki a GDPR hatálya alól, ha az adatkezelés egy IP-címből indul ki.
• Jogalap. A cégszintű perszonalizációt jellemzően jogos érdekre hivatkozva indokolják, GDPR 6. cikk (1) bekezdés f) pont, ami dokumentált érdekmérlegelést igényel; az ICO jogos érdekről szóló útmutatója ismerteti a háromlépéses tesztet.
• A cookie-khoz és az eszközhozzáféréshez a GDPR-tól függetlenül hozzájárulás kell. Az információk tárolása vagy kiolvasása a látogató eszközén, beleértve a szegmensek vagy a látogatásszám megjegyzésére használt cookie-kat és helyi tárolót, az ePrivacy irányelv (2002) 5. cikk (3) bekezdése alá tartozik, és általában hozzájárulást igényel, hacsak nem feltétlenül szükséges. Az EDPB tágan értelmezi ezt a hatókört az 5. cikk (3) bekezdésének technikai hatókörére vonatkozó 2/2023. számú iránymutatásában. Az Egyesült Királyságban a megfelelő szabályok a PECR-ben vannak; lásd az ICO cookie-útmutatóját.

A gyakorlatban: említsd meg a látogatóazonosítást és a személyre szabást az adatvédelmi tájékoztatódban, köss adatfeldolgozási megállapodást a szolgáltatóiddal, győződj meg róla, hogy az eszköz tiszteletben tartja a sütisávodat, és nem hív adatgazdagítást azoknál a látogatóknál, akik nemet mondtak, és az indulás előtt vond be az adatvédelmi felelősödet. Úgy tervezd az élményt, hogy elegánsan leépüljön: minden, ami tárolt azonosítóra épül, térjen vissza az alapértelmezetthez, ha a hozzájárulást elutasítják. Az adatvédelmi megfelelőségi útmutatónk ennél tovább megy.

Kerüld a „hátborzongató” hatást azzal, hogy a megfelelő részletességgel szabsz személyre. Iparági szempontból releváns tartalom mutatása hasznos. Ha viszont a látogató cégnevét a főcímben mutatod, mielőtt azonosította volna magát, az tolakodónak hathat. Megnevezett fiókra szóló szöveget csak azoknak a fiókoknak tarts fenn, amelyek már beszélgetnek az értékesítéssel; egyébként iparági keretezést használj.

Az elsődleges (first-party) adatok – amelyeket közvetlenül a saját oldaladon, a látogatói interakciókból gyűjtesz – egyre fontosabbak, ahogy a harmadik féltől származó sütik eltűnnek. Az IP-alapú cégazonosításra és az oldalon belüli viselkedésre épülő személyre szabás elsődleges jelekre támaszkodik, így tartósabb, mint a harmadik féltől származó követésre épülő megoldások. A B2B személyre szabáshoz kapcsolódó first-party adatstratégiánk bemutatja, mit és hogyan érdemes gyűjteni.

Gyakori buktatók és elkerülésük

Túl nagy kezdés. Azok a csapatok, amelyek induláskor minden oldalt minden szegmensre személyre akarnak szabni, olyan karbantartási terhet hoznak létre, amely megakasztja a projektet. Kezdj egy oldallal és két szegmenssel. Bizonyítsd a hatást. Aztán bővíts.

Gyenge adatminőség. Ha a látogatóazonosításod rossz cégekhez rendeli a látogatókat, vagy elavult a CRM-adatod, a personalizáció véletlenszerűnek fog hatni. Ellenőrizd az egyezési arányokat, kézzel nézz át egy mintát az azonosításokból, és határozz meg egy minimális megbízhatósági küszöböt, amely alatt az alapértelmezett élmény jelenik meg.

Nincs visszatartott csoport. Az alapértelmezett élményt látó kontrollcsoport nélkül nem tudod elkülöníteni a perszonalizáció hatását a szezonális trendektől, a forgalmi összetétel változásaitól vagy más tényezőktől.

Az alapértelmezett változat elhanyagolása. A legtöbb látogató még mindig az alapértelmezettet látja. Javítsd tovább hagyományos A/B tesztekkel, miközben a változatokat építed.

Nincs tartalom a meghatározott szegmensekhez. Egy „Egészségügyi nagyvállalat” szegmenst könnyű definiálni. Az igazi munka az, hogy legyen kész egészségügyi esettanulmányod, releváns képernyőképeid és egészségügyre szabott üzeneteid. Előbb a tartalmat építsd meg, aztán a szabályokat.

A kattintások sikerként riportolása. A személyre szabott CTA-k gyakran több kattintást kapnak ugyanannyi minősített meeting mellett. Azt a bevételhez legközelebb álló eseményt mérd, amelyet a forgalmad még elbír.

Nincs visszacsatolás az értékesítés felé. Ha az értékesítés nem tudja, mit látott egy fiók, a weboldal és az értékesítő mást mond. A megjelenített élményt küldd át a CRM tevékenységrekordjába.

Oldalsebesség és villódzás. Minden kliensoldali eszköz hozzáad egy szkriptet, amelynek be kell töltődnie, ki kell keresnie a látogatót, és módosítania kell az oldalt. Futtass Lighthouse-t vagy WebPageTestet a kulcsoldalakon bekapcsolt és kikapcsolt taggel, és hasonlítsd össze a Largest Contentful Paint és a Cumulative Layout Shift értékeit. Csak a személyre szabott elemeket rejtsd el előre, soha ne az egész oldalt.

SEO-hibák. A Google rendereli a JavaScriptet (a JavaScript SEO dokumentációja egy headless Chromiumot ír le, amely futtatja a scriptjeidet). A Googlebot a cookie-jaid nélkül, olyan IP-címekről térképez, amelyek nem köthetők célcéghez, így egyetlen szabálynak sem felel meg, és bármely azonosítatlan látogatóhoz hasonlóan az alapértelmezett oldalt kapja. Ne építs olyan szabályokat, amelyek felismerik a Googlebotot, és valami különlegeset szolgálnak ki neki: a Google spamszabályzata szerint a cloaking azt jelenti, hogy a felhasználóknak és a keresőknek eltérő tartalmat mutatsz. Lásd: weboldal-personalizáció és SEO.

A minőségellenőrzés kihagyása. Öt szabály hat oldalállapotot jelent, mindegyiket böngészőkön és eszközökön át. Ellenőrizd, hogy minden szabály a megfelelő feltételekre aktiválódik, minden változat elrendezési hibák nélkül jelenik meg, és az analitika rögzíti, melyik változat jelent meg. Egy szegmenst szimuláló előnézeti mód sok időt spórol.

Nincs irányítás. Egy év után senki sem tudja, a negyven élő szabályból melyik számít még, és a bizonyítékok fele egy már lemorzsolódott ügyfélre hivatkozik. Az első szabálytól kezdve adj mindegyiknek felelőst, felülvizsgálati dátumot (90 nap észszerű alapérték), helyet egy dokumentált precedenciasorrendben (például nyitott lehetőség, majd ügyfél, majd célfiók, majd iparág, majd kampány, majd alapértelmezett), és egy ilyen nevet: page_element_segment_version. Nagyobb léptékben ez önálló szakterület lesz, amelyet a nagy léptékű személyre szabásról szóló cikk és a nagyvállalati személyre szabás bevezetési kézikönyve tárgyal.

Első lépések a weboldal-személyre szabásban

Kezdd a legegyszerűbb megvalósítással, amely mérhető eredményt ad, aztán az adatok alapján bővíts.

Ha vannak fizetett vagy e-mailes kampányaid, a legolcsóbb első teszt az, ha a landing page szövegét a látogatót odahozó hirdetéshez vagy e-mailhez igazítod. Ha a forgalmad nagy része organikus, és több iparágnak értékesítesz, szabd személyre a kezdőlapodat két iparági szegmensre a látogatóazonosításból származó cégadatok alapján. Változtasd meg a hero címsorát, a hero képet és a kiemelt esettanulmányt. Tarts vissza a forgalmadhoz méretezett kontrollcsoportot, és mérj, amíg el nem éred a tervezett mintát. Ha a személyre szabott változatok jobban teljesítenek az alapértelmezettnél, terjeszd ki további szegmensekre és oldalakra.

A Markettailor egyetlen platformon adja a munkafolyamathoz szükséges látogatóazonosítási, szegmentálási és tartalommegjelenítési rétegeket. Az IP-alapú cégazonosítást összeköti az oldalon megjelenő tartalom módosításával, így az első személyre szabott élmény hónapok helyett napok alatt elindulhat.

Gyakran ismételt kérdések

Mi a weboldal-perszonalizáció egyszerűen megfogalmazva?

A weboldal-personalizáció azt jelenti, hogy ugyanazon az oldalon különböző tartalmat mutatsz különböző látogatóknak az alapján, amit tudsz róluk: cégük, iparáguk, helyük, a hivatkozó forrás, vagy amit korábban az oldalon csináltak. Az oldal URL-je ugyanaz marad; a főcím, a bizonyítékok, a cselekvésre ösztönzések vagy az ajánlások változnak.

Melyek a weboldal-személyre szabás fő típusai?

B2B oldalaknál a fő típusok: firmográfiai (iparág, cégméret), fiókalapú (megnevezett célfiókok), viselkedésalapú (megtekintett oldalak, visszatérő látogatások), életciklus-alapú (érdeklődő, nyitott lehetőség, ügyfél), hivatkozó vagy kampányalapú (hirdetés, e-mail, partnerlink) és földrajzi. A legtöbb csapat a kampányüzenet-illesztéssel vagy az iparági személyre szabással kezd, mert ezek érik el a legtöbb munkamenetet, és közvetlenül kapcsolódnak az értékesítéshez.

Hogyan működik a B2B weboldal-személyre szabás?

Egy adatréteg kideríti, ki a látogató (IP–cég feloldás, adatgazdagítás, oldalon belüli viselkedés, CRM-rekordok), egy szabálymotor prioritási sorrendben ellenőrzi a ha–akkor szabályokat, és kiválaszt egy változatot, egy kiszolgálási módszer (kliensoldali tag, szerveroldali API-hívás vagy edge worker) pedig megjeleníti a változatot az oldalon. Azok a látogatók, akikre egyetlen szabály sem illik, az alapértelmezett oldalt látják.

Melyek a webes personalizáció lépései?

Azonosítsd a látogatót vagy a szegmenst, döntsd el, mely szegmensek számítanak, válassz egy-két nagy forgalmú oldalt, írj szegmensenként egy variánst azokra az elemekre, amelyek az „ez nekem szól?” kérdésre felelnek (címsor, bizonyíték, CTA), indulj kontrollcsoporttal, és a bővítés előtt mérd a szegmensenkénti konverziót a kontrollcsoporthoz képest.

Milyen példák vannak a B2B weboldal-személyre szabásra?

Gyakori példák: kezdőlapi hero, amely megnevezi a látogató iparágát; esettanulmányok és logók a látogató ágazatából; árazási oldal, amely alapból a cégméretnek megfelelő csomagot mutatja; CTA, amely nyitott értékesítési lehetőségeknél „Demó foglalása” helyett „Beszélj a fiókcsapatoddal” lesz; valamint a már megtekintett oldalakon alapuló tartalomajánlások. Bővebben lásd a kezdőlap-perszonalizációs útmutatónkat és a dinamikus tartalmi példákat.

Mekkora forgalom kell a weboldal-személyre szabáshoz?

Ez az alap konverziós rátádtól és a kimutatandó javulástól függ. 2%-os alapértéknél és 20%-os relatív javulásnál 95%-os megbízhatóság és 80%-os statisztikai erő mellett csoportonként nagyjából 21 000 látogató kell. Azokat a szegmenseket, amelyek egy negyedéven belül nem érik ezt el, össze kell vonni, nagyobb volumenű eseményen kell mérni, vagy csak irányjelzőként kell kezelni.

Ugyanaz a weboldal-személyre szabás, mint az A/B tesztelés?

Nem. Az A/B tesztelés mindenkinek az egyetlen legjobb változatot keresi; a perszonalizáció különböző változatokat mutat különböző szegmenseknek. A kettő együtt működik: kontrollcsoportos A/B tesztekkel bizonyítsd, hogy minden perszonalizált változat jobb az alapértelmezettnél a saját szegmensében.

GDPR-kompatibilis a weboldal-személyre szabás?

Lehet, de nem automatikusan. Az IP-címek személyes adatnak minősülhetnek, így a cégszintű személyre szabáshoz is jogalap kell, általában jogos érdek dokumentált érdekmérlegeléssel. Bármi, ami sütiket vagy hasonló azonosítókat tárol vagy olvas az eszközön, az ePrivacy szabályok szerint általában hozzájárulást igényel. Tervezz alapértelmezett élményt azoknak a látogatóknak, akik elutasítják.